版权声明：所有文章均由作者原创，未经允许禁止转载！CSDN博客有图片大小限制，无法显示。欢迎关注本人知乎主页zhihu.com/people/JianfengLu，或者关注“小阿狸2008” https://blog.csdn.net/Maple_Lu1986/article/details/81276944
高清地图
高清地图属于机器人地图
- 道路网的精确三维表征，如十字路口布局、路标位置及各种其他语义信息
- 厘米级（普通地图只能达到米级，一般1-2米）
- VSLAM定位：预处理、坐标变换、数据融合
- 帮助感知：提前在远距离的位置提供ROI区域，供视觉或其他传感器缩小搜索范围
- 增强视觉的TSR功能：提前知道各种限速信息、车道信息（车道线中心、左转车道、右转车道等）
- Apollo地图：道路定义、交叉路口、交通信号、车道规则，例如红绿灯的位置和高度
- 制图流程：数据采集、数据处理、目标检测、人工验证、地图发布
%%%%%%%%%%%%%%%%%%%%%%%%%%%
定位
- 对比来自HD Map道路网周围的路标坐标，以及根据车辆坐标系算出来的路标坐标，并对比；
- GNSS系统的卫星星座的三角测量，测量车辆位置+车速
- RTK：车辆接收来自卫星星座的定位坐标；地面基站与卫星星座通信，获取卫星星座的定位误差；地面基站将误差传送给车辆，车辆利用定位坐标+误差信息，一起考量，获得精度为10厘米级别的定位精度。缺点：更新速率低
- IMU=三轴加速度计+陀螺仪，缺点：实时精度高，累计误差大。
- Lidar：测量车辆位置+heading
- INS惯性导航=RTK+IMU：预测下一周期位置并更新；
- 卡尔曼滤波整合GNSS定位+激光雷达定位+INS惯性导航（GNSS+IMU），其中INS惯性导航用于卡尔曼滤波的预测步骤中；GNSS定位+激光雷达定位用于卡尔曼滤波的测量结果更新步骤中。
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
感知
- 计算机视觉：
- 检测（Detection）
- 分类（Classification）：图像分类器，各种分类器
- 输入图像
- 预处理
- 提取特征
- 放入分类模型
- 跟踪（Tracking）
- 语义分割（ Segmentation ）
- 计算机视觉处理摄像头图像：
- 图像对于计算机来说，只是像素矩阵
- 图像高度、宽度和图像深度（RGB有三个深度，红、绿、蓝三个颜色深度）
- 图像的灰度化，就是减少图像空间的深度
- 计算机视觉处理激光雷达图像：
- 将激光雷达点云图像化
- 机器学习：模型和训练模型
- 人工神经网络工作步骤：前馈（按照原有模型算一遍，得到一个output）、误差测量、反向传播（将对比出来的误差，反向传播，修正各个feature的权值）
- 卷积神经网络（CNN）：
- 检测与分类
- 跟踪
- 分割
- Apollo感知系统：
- YOLO 检测模块
- 感知系统架构
- 传感器数据比较：
- 感知融合策略：卡尔曼滤波实现Radar和Lidar的目标级别的融合
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
预测
预测其他目标的行驶路径，预测模块要回自学习
- 基于模型（Model-Based）的预测：找到已知可能的轨迹模型，跟踪车辆的轨迹，看后续事件最有可能往哪个轨迹模型中接近；
- 数据驱动（Data-Based）的预测：使用机器学习来训练模型；
- Apollo使用基于车道序列的模型预测方法，计算可能性：
- Lane Sequence 车道段序列
- Obstacle Status 一系列的跟踪目标状态
- 追踪目标，会使用航向角、位置、速度、加速度等目标信息追踪预测目标的行驶路径；
- 利用递归神经网络来识别目标类型来分别预测车道段+障碍物目标，并结合起来进行进一步RNN训练，获得最终的预测模型
- 训练的方法：用RNN的output输出对比真值标记（Ground Truth），利用反向传播来训练网络
- 训练出最有可能的B点后，根据A当前点到B目标点的轨迹可以根据当前车的运动状态（速度、加速度）拟合出一条最可能的运行轨迹，来最终获得追踪目标车辆的预测行驶轨迹。
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
路径规划
- 全局路径规划：点对点的路线规划，单纯的空间曲线；Apollo算法使用A*算法来实现全局路径规划。
- 局部路径规划：运动轨迹水平的轨迹规划，不仅是空间曲线，也是时间曲线
三个路径规划输入：
- 地图：公路网及实时交通信息
- 当前位置：在地图中的当前位置
- 目的地：在地图中的目标地坐标
轨迹点包含的信息：
- 轨迹点的坐标；
- 矢量速度；
- 预计达到下一坐标的时间
轨迹规划：
- 三维轨迹生成=二维点坐标+时间戳；
- 矢量速度保证车辆按照时间戳的要求到达下一个轨迹点；
- 成本函数：设置惩罚因子，如偏离车道中心的程度、发生碰撞的几率、车速限制、舒适性（例如实现某个轨迹规划需要很大的加速度才能完成，那么这个过大的加速度就影响舒适性）
- 成本函数在不同场景中的区别：例如在停车场，与在高速公路上，成本函数的各个因子的设置，一定是不一样的。
- 坐标变换：百度的Apollo平台使用Frenet Coordinate（弗莱纳坐标系）；德尔福公司常说的Curvillinear Coordinate System（曲线坐标系）属于简化了的弗莱纳坐标系。
轨迹-速度解耦规划：
- 轨迹规划：利用成本函数计算单纯的路径轨迹；
- 路径生成与选择：
- 将路面分段，并在各段（区域）中，选择随机采样点，连成多条路径；
- 根据成本函数（包含距离车道中心线、距离障碍物距离、车速和车道线曲率变化及车辆压力等约束因素），删选最小成本路径。
- 路径生成与选择：
- 速度规划：利用轨迹点的一系列“速度曲线”来控制车速；
- 选择速度曲线：利用ST图，选择车速；S，纵向位移，T，时间
- 将速度曲线ST图网格化，道路离散化；将障碍物绘制在ST图中不同的时间域中（在t0到t1时间域内，会占据s0到s1的前方距离范围），速度曲线不应穿越ST图中的该矩形区域；利用各种约束（法规约束、车辆运动极限约束、障碍物距离限制）组成的优化算法，来选择最佳速度曲线
- 二次规划：将离散曲线平滑化
三维轨迹生成（轨迹曲线与速度曲线的合并，基于Lattice规划）：
- 三个维度：纵向维度、横向维度、时间维度
- 具有时间戳的纵向轨迹，ST轨迹，纵向+时间维；
- ST轨迹的终止状态：巡航状态、跟车状态、停止状态
- 相对于纵向轨迹的横向偏移，SL轨迹，横向+时间维；
- 终止状态应与车道线中心线重合，即heading angle与offset的一阶导数和二街倒数都为零
- 合并后，用成本函数选择最佳路线。
- 将ST和SL轨迹点都转化为笛卡尔坐标系，然后，按照S值来匹配T和L；
%%%%%%%%%%%%%%%%%%%%%%%%%%%
车辆控制算法
PID 控制器
- 优点：简单有效；
- 缺点：线性控制；只能针对横向控制或者纵向控制进行单独控制；无法将横向控制和纵向控制集成在一个控制器中控制；
LQR控制器
- L-线性
- X-term
- 误差
- 误差变化率
- 航向角
- 航向角变化率
- U-term
- steering
- accel
- brake
- X-term
- Q&R-最小化成本方程
MPC模型预测控制器
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
总结
1. Apollo使用ROS操作系统；
2. 百度基于自己做地图的背景，倾向于在自动驾驶系统设计过程中，尽量多的发挥高清地图的作用；
3. 感知模块倾向于采用神经网络算法；
4. 激光雷达的数据使用方式：
a. 在点云级别，转化为图像，与摄像头图像融合，获取更丰富的道路feature；
b. 在目标级别（Object Level），与毫米波雷达进行目标融合，并跟踪目标。